如何使用 bs4 或 lxml 在 Python 中找到 XML 标记的文本行？
Posted
技术标签:
【中文标题】如何使用 bs4 或 lxml 在 Python 中找到 XML 标记的文本行？【英文标题】：How can I get the line of the text where an XML tag is found in Python using bs4 or lxml? 【发布时间】：2021-04-06 08:25:17 【问题描述】：我有一个 XML 文档，我想获取找到 BeautifulSoup 或 lxml 提取的标记所在的行。有没有办法做到这一点？
【问题讨论】：
【参考方案1】：对于 BeautifulSoup，此属性存储在 Tag 类的 sourceline attribute 中，并在解析器 here 和 here 中填充。
对于 lxml，这也可以通过 sourceline 属性实现。这是一个例子：
#!/usr/bin/python3
from lxml import etree
xml = '''
<a>
<b>
<c>
</c>
</b>
<d>
</d>
</a>
'''
root = etree.fromstring(xml)
for e in root.iter():
print(e.tag, e.sourceline)
输出：
a 2
b 3
c 4
d 7
如果您想查看sourceline method 的实现，它实际上是在调用xmlGetLineNo，它是来自libxml2 的xmlGetLineNo 的绑定，它是xmlGetLineNoInternal 的包装器（其中的实际逻辑位于libxml2 中)。
您也可以find the line number of the closing tag 检查该标记的子树的文本表示中有多少行结尾。
xml.etree.ElementTree 可以also be extended 提供解析器找到元素所在的行号（解析器是来自模块xml.parsers.expat 的xmlparser）。
【讨论】：
【参考方案2】：尝试使用enumerate() 函数。
例如，如果我们有以下 html：
html = """
<!DOCTYPE html>
<html>
<body>
<h1>My Heading</h1>
<p>My paragraph.</p>
</body>
</html>"""
我们希望找到<h1> 标记的行号 (<h1>My Heading</h1>)。
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, "html.parser")
for (index, value) in enumerate(
# Remove all the empty lines, so that they shouldn't be part of the line count
(x for x in str(soup).splitlines() if x != ""),
start=1,
):
# Specify the tag you want to find
# If the tag is found, it will return `1`, else `-1`
if value.find("h1") == 1:
print(f"Line: index.\t Found: 'value' ")
break
输出：
Line: 4. Found: '<h1>My Heading</h1>'
【讨论】：
以上是关于如何使用 bs4 或 lxml 在 Python 中找到 XML 标记的文本行？的主要内容，如果未能解决你的问题，请参考以下文章
bs4.FeatureNotFound: ... lxml 与 MacOS 和 Conda / Python 3
Python spider Requests && Lxml && bs4